AI计算机视觉笔记二十六：YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8，并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据，文档介绍了如何使用`labelme`标注工具进行关键点标注，并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后，通过Jupyter Notebook可视化标注结果确保准确性。最后，文档展示了如何组织数据集目录结构，并提供了训练与测试代码示例，包括配置文件`smoke.yaml`及训练脚本`train.py`，帮助读者完成自定义模型的训练与评估。
一文讲懂大模型调优技术
随着AI技术的发展，大模型如GPT系列、BERT等成为推动自然语言处理和计算机视觉领域进步的重要驱动力。然而，大模型的调优过程复杂且资源消耗巨大，对开发者构成严峻挑战。本文旨在全面解析大模型调优的关键技术，涵盖数据预处理、模型架构调整、超参数优化、正则化与泛化能力提升，以及分布式训练与并行优化等内容，为开发者提供系统性的调优指南。
MobileNetV3架构解析与代码复现
MobileNet模型基于深度可分离卷积，这是一种分解卷积的形式，将标准卷积分解为深度卷积和`1*1`的点卷积。对于MobileNet，深度卷积将单个滤波器应用于每个输入通道，然后，逐点卷积应用`1*1`卷积将输出与深度卷积相结合。